在 JupyterLab 中书写 Python 代码非常的方便，交互性强，并且能够书写 Markdown 文档等。但是，使用其处理 Pandas 的 DataFrame 对象时，当表格数据行或列太大时，打印时总是显示不全，在中间出现一些省略号，这使得想要查看所有内容时不是太方便，下面给出一种方法，能够显示所有的行和列。 解决方案在 JupyterLab 的第一个单元格内，添加如下内容： 12345678import pandas as pd# 显示所有列pd.set_option('display.max_columns', None)# 显示所有行pd.set_option('display.max_rows', None)# 设置 value 的显示长度为 100，默认为 50pd.set_option('max_colwidth',100) 在 JupyterLab 中使用如下命令，可以查看所有可自定义参数 1pd.set_option? 参考链接 pandas中关于DataFrame行，列显示不完全（省略） ...

近年来，在学术界和工业界基于 PyTorch 进行深度学习算法研究及模型部署越来越流行，甚至超过了 TensorFlow. 除了其基于动态图的特性外，最主要的是其语法更贴近 Python，容易开发实现和调试。本篇介绍 PyTorch 中为目标跟踪等视觉领域提供的两个基础类 Dataset 和 DataLoader，给出它们的使用方法。 利用 PyTorch 进行深度学习训练的一般流程 首先创建自定义的 Dataset 类 和 Sampler 类(数据采用策略)； 创建自定义的 DataLoader 类； DataLoader 依据 Dataset 和 Sampler 迭代产生训练数据提供给模型进行训练。 总的来说，DataLoader 负责批次调度数据，Sampler 负责数据调度的采样策略生成索引（默认整数），Dataset 负责通过索引提取数据。 Dataset 封装数据集，通过索引获取元素， Sampler 提供索引次序，DataLoader 是一个调度器，迭代 DataLoaderIter 的过程中，迭代Sampler 获得下一索引，并通过该索引使用 Fetcher（Fe ...

我比较喜欢使用 zsh，特别是搭配 Oh My ZSH，它有很多方便的功能以及各种主题。但它不会自动更新，特别是 Mac 上很少关闭 Terminal 导致oh-my-zsh 不是最新的。下面介绍一种手动更新 oh-my-zsh 的方法。 手动更新使用如下命令 1omz update 或者 12cd ~/.oh-my-zsh/toolszsh upgrade.sh 其他设置解译 *，默认情况下，zsh 会自动解译 *，直接使用 * 会出现 no matches find，如 grep -nr --include=*.{py,sh} args ./codes，一种解决方法是在 * 左右增加上双引号或单引号，最好的解决方法是下面： 1234567vim ~/.zshrc# 增加如下内容setopt no_nomatch# 设置当前终端生效source ~/.zshrc 设置成功后，之后就可以直接使用 *，而不用增加双引号或单引号了。 参考链接 Manually update oh-my-zsh How to Manually Update Oh-My-ZSH ...

在进行目标跟踪研究中,有时候需要直接读取网上的图片和视频,这时候利用 OpenCV 再加上 urllib、pafy、numpy 等就可以直接获取互联网上的各种图片和视频资源. 从网上读取图片12345678910111213141516171819202122232425262728293031323334353637import cv2import numpy as npimport urllibimport matplotlib.pyplot as plt# 读取网上图片url_img = 'https://c-ssl.dtstatic.com/uploads/blog/202105/27/20210527174258_991e1.thumb.1000_0.jpg'res = urllib.request.urlopen(url_img)i = np.asarray(bytearray(res.read()), dtype="uint8")img = cv2.imdecode(i, cv2.IMREAD_COLOR)# 或者如下(先读取 ...

在目标跟踪中经常会使用到 OpenCV 和 Pillow 库等来处理图像。但是，它们处理图像的方式有所不同，比如 OpenCV 把图像看作一个 ndarray 数组对象，而 Pillow 把图像看作一个自定义的 Image 对象；OpenCV 中图像是以 BGR (blue, green , red) 顺序存储的，而 Pillow 中的图像是以 RGB (red, green , blue) 存储的。因此，如果想要同时使用两种库的函数，需要进行相应的 BGR 和 RGB 的转换。 OpenCV 中图像的 BGR 和 RGB 的转换可以有两种方法： 通过 OpenCV 内置的 cvtColor() 函数; 直接改变 ndarray 的存储顺序。 图像读取与写入12345678910111213141516# 导入包import cv2import numpy as npfrom PIL import Image# OpenCV 中以 BGR 的顺序读取图像 ndarray 对象，以同样方式写入。# 打开时才可正常显示im_bgr_cv = cv2.imread('da ...

使用 $\LaTeX$ 书写论文被越来越多的人采用，其主要的优势是让写作者不用在格式上花费太多的时间，把主要时间用在文章的内容写作上。我们平常处理的数据大多会以 EXCEL 表格的形式保存，那么如何将 EXCEL 表格中的数据快速复制到 $\LaTeX$ 源文件中呢，下面介绍一种工具，它能够非常快捷准确的将表格数据转化为 $\LaTeX$ 格式，并利用 $\LaTeX$ 中的包快速编译出表格信息。本篇默认 EXCEL 和 $\LaTeX$ 编译器已经安装且可使用。 下载 Excel2LATEX在 CTAN 官网上可以下载最新版的 Excel2LATEX: https://ctan.org/pkg/excel2latex. 安装解压缩后，将文件夹放在一个自己喜欢的目录下，放好后该文件夹不应该移动或删除，点击文件：Excel2LaTeX.xla 并启用即可使用它。 如果想让 EXCEL 默认加载该程序，可以在 EXCEL 程序中点击文件—选项—加载项—转到—浏览（选择文件 Excel2LaTeX.xla）—方框内打勾—确定。 使用利用 EXCEL 打开一个表格，选择表格内容，点击加 ...

awk 是一个处理文本的应用程序，也是一门语言。基本上所有的 Linux 发行版都自带该程序。它依次处理文件的每一行，并读取里面的每一个字段，尤其是日志文件、CSV文件等。本篇介绍 awk 如何在命令行上使用，以 Debian 10.8 为例。 基本用法12345678910111213141516# 模式或条件可省略awk '模式 {动作}' 文件名# 例子 1awk 'NR < 3 {print $0}' ~/.bashrc# 例子 2echo '21 25 26' | awk '{print sin($1), cos($NF)}'0.836656 0.646919# 例子 3echo '21:25:26' | awk -F ':' '{print sin($1), cos($NF)}'0.836656 0.646919# 例子 4echo '2 ...

当把 Mac Book Pro 的显示器盖合上后，有些进程会无法继续运行。下面介绍一种方法能让进程一直运行下去。 12345# 该命令能让进程一直保持运行caffeinate -w <进程号># 只保持3600秒caffeinate -t 3600 如何获取进程号 1234567891011121314151617# 添加 -v grep是为了避免匹配到 grep 进程ps -ef | grep "ssh -L" | grep -v grep | awk '{print $2}'# 名称首字母加[]的目的是为了避免匹配到 awk 自身的进程ps -ef | awk '/[n]ame/{print $2}'# 只使用 x 参数，则 pid 位于第一位ps x | awk '/[n]ame/{print $1}'# 简单获取 pidpgrep -f name# 杀掉 pidpkill -f name# 如果是可执行程序pidof n ...

Jupyter Notebook/Lab 提供了交互式的 Python 等编程范式，下面介绍一种设置 Proxy 的方法，方便 Python 代码的运行。 只需要在 Jupyter Notebook/Lab 第一个 Cell 上添加如下代码即可： 12345678# 导入模块import os# 设置代理。这里 1080 既可以是 http 代理的端口，也可以是 socks5 代理的端口proxy = 'http://127.0.0.1:1080'os.environ['http_proxy'] = proxyos.environ['HTTP_PROXY'] = proxyos.environ['https_proxy'] = proxyos.environ['HTTPS_PROXY'] = proxy

单目标跟踪是指给定第一帧目标框的情况下，在视频的后续帧中自动地给出目标的位置和大小。难点在于复杂场景下目标姿态变化、环境光照变化、尺寸变化、背景干扰、遮挡等，以及实际应用中需要满足实时性。 算法分类目标跟踪算法的发展大致分成两个阶段，一个是2012年以前，一个是2012年以后。以深度学习方法的引入为拐点。 目标跟踪算法的种类大致分为两类，一类是生成式（generative）算法，一类是判别式（discriminative）算法，目前判别式算法是主流算法。 目标跟踪算法的研究大致分为两个方向，一个是相关滤波方向，一个是深度学习方法，基于相关滤波的跟踪算法因利用快速傅里叶变换，处理速度较快，基于深度学习的跟踪算法因能自动提取目标图像更强大的特征，精度较高。 生成式算法生成式算法采用特征模型描述目标的外观特征，再最小化跟踪目标与候选目标之间的重构误差来确认目标。此方法着重于目标本身的特征提取，忽略目标的背景信息，因而在目标外观发生剧烈变化或者遮挡时，容易出现目标漂移或目标丢失。 生成式目标跟踪算法主要是在2010年以前发展起来的，代表算法有卡尔曼滤波（Kalman Filters）、C ...

在撰写论文时，当进行模型比较时，常常会比较模型准确度，但模型计算力消耗、参数个数也是重要的指标，特别是模型落地时。 FLOPsFLOPS 与 FLOPs 不同: FLOPS: FLoating point Operations Per Second，表示每秒浮点运算次数，衡量硬件（如 GPU ）的计算性能，可理解为计算速度； FLOPs: FLoating point Operations，表示浮点运算数，衡量模型（如深度学习模型 CNN ）的复杂程度，可理解为计算量。 计算 FLOPs计算 FLOPs 常常指深度学习模型前向传播是的计算量，而 CNN 中计算量主要集中在卷积层，除此之外，也有池化层、批归一化层、激活层，上采样层等。下面主要介绍卷积层计算 FLOPs 的方法。 假设卷积核的大小是 $k \times k$，通道数是 $c$，输出特征图的大小是 $H \times W$​​，通道数是 $C$​，则计算力消耗是 $k \times k \times c \times H \times W \times C$ 开源库一种方便的开源库是 ptflops 1pip ins ...